رویکردی مدل-رانه برای خودکارسازی آزمون رگرسیون با استفاده از تبدیل مدل افزایشی

پیچیدگی سیستم‌های نرم‌افزاری و وابستگی جوامع به این سیستم‌ها رو به افزایش است. با توسعه فن‌آوری‌های تحت وب و رویکردهای سرویس‌گرا، ضرورت تطبیق با نیازهای کاربران در هنگام درخواست برای اِعمال تغییرات و تکامل سیستم‌ها، بر این پیچیدگی افزوده است. روش‌های توسعه نرم‌افزار مدلرانه با تمرکز بر استفاده از مدل به‌عنوان مصنوع اصلی و به‌کارگیری رویکردهای خودکار، توسعه محصولات نرم‌افزاری دارای کیفیت بالا را وعده داده است. هدف از این مقاله ارائه رویکردی مدلرانه برای انتخاب خودکار زیرمجموعه مناسب از موارد آزمون برای آزمون رگرسیون مبتنی بر مدل با استفاده از انتشار تغییرات و تبدیل مدل افزایشی است. استفاده از تبدیل مدل افزایشی امکان انتشار خودکار تغییرات مدل و درنهایت انتخاب مجموعه موارد آزمون سازگار جهت انجام آزمون بعد از تغییرات را در سطح انتزاعی فراهم می‌آورد. دقت و کارایی چارچوب پیشنهادی با معرفی معیارهای بسندگی جدیدی بر اساس مدل تغییرات بر روی سه موردمطالعه ارزیابی و تحلیل شده است. از مزایای این روش تخمین زودهنگام میزان تلاش برای تجزیه و تحلیل تاثیر تغییرات، کاهش هزینه آزمون رگرسیون مستقل از سکو و انتخاب زیرمجموعه مناسب برای آزمون رگرسیون برای تشخیص زودهنگام خطای تولید محصول نرم‌افزاری است.

A Model Driven Approach to Automate Software Regression Testing Using Incremental Model Transformation

The increase in complexity and the rate of technological changes in modern software development have led to a demand for systematic methods that raise the abstraction level for system maintenance and regression testing. Model Driven Engineering (MDE) has promised to reduce extra coding efforts in software maintenance activities using traceable change management, especially in rapidly changing application. The paper presents a Znotation based framework, called Changedbased Regression Testing (ChbRT), for formal modeling of regression testing in the context of MDE. The framework proposes to automatically propagate the changes from a software specification to testing artifacts in order to preserve consistency after system evolution. The framework is enriched by providing a new category of coverage metrics for changebased regression testing. The proposed framework is expected to be beneficial in both platform independent and specific levels of ChbRT by identifying the suitable coverage according to available testing resources. The accuracy and efficiency of the proposed framework have been evaluated and analyzed on three case studies.